Bài viết trình bày phương pháp nhận dạng tín hiệu dựa trên các mô hình mạng nơ ron tích chập và khảo sát độ chính xác khi nhận dạng tín hiệu điều chế. Các kết quả mô phỏng cho độ chính xác cao so với các mô hình phân loại tín hiệu trong điều kiện tín hiệu chỉ chịu tác động của nhiễu tạp âm trắng. | Hội nghị Quốc gia lần thứ 24 về Điện tử Truyền thông và Công nghệ Thông tin REV-ECIT2021 Tự động nhận dạng điều chế dưới tác động của nhiễu pha-đinh đa đường sử dụng kỹ thuật học sâu Lê Hà Khánh1 Đoàn Văn Sáng2 Hoàng Văn Phúc1 và Đào Thị Thủy1 1 Viện Tích hợp hệ thống Học viện Kỹ thuật Quân sự Số 236 Hoàng Quốc Việt Quận Bắc Từ Liêm Hà Nội 2Học viện Hải Quân Nha Trang Khánh Hòa Email phuchv@ Tóm tắt Tự động phân loại điều chế tín hiệu Automatic Gần đây học sâu DL Deep learning là một nhánh của Modulation Classification AMC đã được nghiên cứu trong máy học và đã đạt được thành công đáng kể vì khả năng hơn một phần tư thế kỷ. Tuy nhiên việc thiết kế một bộ phân phân loại tuyệt vời của nó. DL đã được áp dụng trong nhiều loại hoạt động tốt trong môi trường nhiễu và các điều kiện lĩnh vực như phân loại hình ảnh nhận dạng khuôn mặt và xử khác nhau là rất khó khăn. Gần đây các phương pháp học tập lý ngôn ngữ tự nhiên. Một số mạng DL điển hình như mạng sâu được áp dụng cho các hệ thống AMC và đạt được các kết nơ-ron tích chập CNN Convolutional Neural Network quả cao trong việc cải thiện độ chính xác trong phân loại tín mạng dư RNN Residual Neural Network hay mạng hiệu. Trong bài viết này chúng tôi khảo sát các mô hình phân CLDNN Convolutional Long Short-term Deep Neural loại ứng dụng các mạng nơ rơn tích chập để phân loại 26 dạng Network đã được áp dụng trong AMC 1 . Độ chính xác tín hiệu điều chế dưới tác động của năm loại môi trường nhiễu pha-đinh khác nhau với SNR từ -20 dB đến 18 dB. Bài báo phân loại của các phương pháp dựa trên DL đã được chứng trình bày phương pháp nhận dạng tín hiệu dựa trên các mô minh là cao hơn các phương pháp phân loại khác đặc biệt là hình mạng nơ ron tích chập và khảo sát độ chính xác khi nhận khi tỷ lệ tín hiệu trên nhiễu SNR thấp. dạng tín hiệu điều chế. Các kết quả mô phỏng cho độ chính xác Bảng I Tập dữ liệu 2 . cao so với các mô hình phân loại tín hiện trong điều kiện tín hiệu chỉ chịu tác động của nhiễu tạp âm
